一种基于可见近红外光谱和迁移学习的梨品质预测方法技术

技术编号:36603931 阅读:17 留言:0更新日期:2023-02-04 18:22
本发明专利技术提出一种基于可见近红外光谱和迁移学习的梨品质预测方法。本发明专利技术所述方法对于同一种样本,若已知针对该样本第一成分的高准确度可见/近红外光谱模型,对该样本第二成分进行预测时,无需改变各网络层的个数,只需将第一成分对应真实值替换为第二成分的真实值,再次进行模型训练得到的模型即为针对该第二成分的普适性可见/近红外光谱模型,与传统的机器学习和神经网络建模技术相比,迁移学习能够提高数据预训练模型对光谱数据的浅层特征和深层特征提取能力,缩短网络的训练时间,且有效地提高了梨不同品质的预测精度。有效地提高了梨不同品质的预测精度。有效地提高了梨不同品质的预测精度。

【技术实现步骤摘要】
一种基于可见近红外光谱和迁移学习的梨品质预测方法


[0001]本专利技术属于可见/近红外光谱分析
,特别是涉及一种基于可见近红外光谱和迁移学习的梨品质预测方法。

技术介绍

[0002]梨是一种深受世界各地消费者喜爱和欢迎的商业水果。中国是最大的梨种植国,占世界产量的60%以上。果实采后品质主要取决于果实成熟度和采后内部品质参数。可溶性固形物含量(Soluble solids content,SSC)、硬度和含水率是梨最重要的内部质量指标,直接决定了梨的独特口感和消费者的购买欲望。传统的测量SSC、含水率和硬度的方法虽然能获得相对准确的测量结果,但大多具有破坏性。例如,硬度是用硬度计穿透梨果肉来测定的。因此,无损预测梨成熟过程中主要内部品质(SSC、含水率和硬度)对指导生产、收获和果园管理具有重要意义。
[0003]由于可见/近红外光谱能较全面地反映农产品的内、外部物理特征和化学成分,已成为国内外农产品品质无损检测领域中一种重要的检测技术。虽然在利用可见/近红外光谱技术检测果品的内部品质,如糖度、硬度和含水率等方面已经进行了比较广泛的研究,在实际工业生产过程中,往往存在着因数据不足而难以精准建模的问题。传统的建模方法是基于经典的机器学习方法,如偏最小二乘法、支持向量机、K邻近算法等。但是以上机器学习方法存在特征提取能力有限的问题,当面对预测样本的不同品质时,往往需要建立不同的模型,降低了建模效率。

技术实现思路

[0004]本专利技术目的是为了解决现有技术中的问题,提出了一种基于可见近红外光谱和迁移学习的梨品质预测方法。本专利技术所述方法将预测梨糖度含量的模型迁移到预测硬度值中,在训练集样本较少的情况下保证预测精度。
[0005]本专利技术是通过以下技术方案实现的,本专利技术提出一种基于可见近红外光谱和迁移学习的梨品质预测方法,所述方法具体包括:
[0006]采集光谱:选取完好无损的梨作为样本,采用可见近红外光谱仪在每个梨果实的赤道附近采集样本的可见近红外光谱;
[0007]数据预处理:采用多元散射校正方法对梨的可见近红外光谱进行预处理,以消除由于散射水平不同带来的光谱差异,从而增强光谱与数据之间的相关性;
[0008]样本划分:选择Kennard

Stone法以3:1的比例将预处理后的光谱数据划分为训练集和测试集;
[0009]测量品质:在梨样本赤道处切下一块果肉,挤出果汁滴入PR101α糖度仪的棱镜槽中,并记录此处的糖度值,将两点的平均值作为衡量梨样本糖度参数;在测量糖度的位置,用果实硬度计测量果肉的硬度,作为衡量梨样本硬度参数;
[0010]搭建VGG预训练网络模型:训练集输入之后首先经过卷积层,每层卷积层使用线性
整流函数作为激活函数,每两层卷积层后添加一层最大池化层来保留主要特征,Flatten层来连接最后一个最大池化层和全连接层,网络的最后一层输出层被设置为一个结点,它表示输出每一条糖度信息的预测结果;
[0011]搭建迁移模型:将预训练网络模型的前面所有的层进行冻结,只训练最后一层全连接层的参数,将预处理后的光谱数据,输入到VGG预训练网络模型中,使用Adam优化器对全连接层进行训练,得到微调后的迁移模型,所述迁移模型实现对梨的硬度数据进行预测。
[0012]进一步地,光谱的采集条件是:光谱采集范围为200.22~1024.85nm,采集波段为1936个,光谱分辨率为0.38nm。
[0013]进一步地,样本总数为100个,训练集个数为75个,测试集个数为25个。
[0014]进一步地,果肉的厚度为3~5mm。
[0015]进一步地,所述果实硬度计为压头直径为11mm的GY

4型。
[0016]进一步地,使用均方误差做输出层的损失函数。
[0017]本专利技术的有益效果为:
[0018]本专利技术所述基于可见近红外光谱和迁移学习的梨品质预测方法,对于同一种样本,若已知针对该样本第一成分的高准确度可见近红外光谱模型,对该样本第二成分进行预测时,无需改变各网络层的个数,只需将第一成分对应真实值替换为第二成分的真实值,再次进行模型训练得到的模型即为针对该第二成分的普适性可见近红外光谱模型,与传统的机器学习和神经网络建模技术相比,迁移学习能够提高数据预训练模型对光谱数据的浅层特征和深层特征提取能力,缩短网络的训练时间,且有效地提高了梨不同品质的预测精度。
附图说明
[0019]图1为VGG预训练网络模型示意图;
[0020]图2为本专利技术所述基于可见近红外光谱和迁移学习的梨品质预测方法的总体框架图。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图对本专利技术实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本专利技术一部分实施例,而不是全部的实施例。基于本专利技术中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本专利技术保护的范围。
[0022]为解决现有技术中的问题,本专利技术引入了迁移学习思想,迁移学习能够有效地利用源域数据辅助目标域数据进行建模,利用相似源域的旧过程数据来提高目标域数据的建模效率和品质预测的精度。对于同一种样本,若已知针对该样本第一成分(如糖度)的高准确度可见/近红外光谱模型,对该样本第二成分(如硬度)进行预测时,无需改变各网络层的个数,只需将第一成分对应真实值替换为第二成分的真实值,再次进行模型训练得到的模型即为针对该第二成分的普适性可见近红外光谱模型,能够极大地缩短网络的训练时间,且有效地提高不同品质预测的精度。
[0023]结合图1

图2,本专利技术提出一种基于可见近红外光谱和迁移学习的梨品质预测方
法,所述方法具体包括:
[0024]采集光谱:选取完好无损的梨作为样本,采用可见近红外光谱仪在每个梨果实的赤道附近采集样本的可见近红外光谱;光谱的采集条件是:光谱采集范围为200.22~1024.85nm,采集波段为1936个,光谱分辨率为0.38nm。
[0025]数据预处理:采用多元散射校正方法对梨的可见近红外光谱进行预处理,以消除由于散射水平不同带来的光谱差异,从而增强光谱与数据之间的相关性;
[0026]样本划分:选择Kennard

Stone法以3:1的比例将预处理后的光谱数据划分为训练集和测试集;样本总数为100个,训练集个数为75个,测试集个数为25个。
[0027]测量品质:在梨样本赤道处切下一块3~5mm厚的果肉,挤出果汁滴入PR101α糖度仪的棱镜槽中,并记录此处的糖度值,将两点的平均值作为衡量梨样本糖度参数;在测量糖度的位置,用压头直径为11mm的GY

4型果实硬度计测量果肉的硬度,作为衡量梨样本硬度参数;
[0028]搭建VGG预训练网络模型:训练集输入之后首先经过卷积层(Conv1D),每层卷积层使用线性整流函数(Rectified li本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于可见近红外光谱和迁移学习的梨品质预测方法,其特征在于,所述方法具体包括:采集光谱:选取完好无损的梨作为样本,采用可见近红外光谱仪在每个梨果实的赤道附近采集样本的可见近红外光谱;数据预处理:采用多元散射校正方法对梨的可见近红外光谱进行预处理,以消除由于散射水平不同带来的光谱差异,从而增强光谱与数据之间的相关性;样本划分:选择Kennard

Stone法以3:1的比例将预处理后的光谱数据划分为训练集和测试集;测量品质:在梨样本赤道处切下一块果肉,挤出果汁滴入PR101α糖度仪的棱镜槽中,并记录此处的糖度值,将两点的平均值作为衡量梨样本糖度参数;在测量糖度的位置,用果实硬度计测量果肉的硬度,作为衡量梨样本硬度参数;搭建VGG预训练网络模型:训练集输入之后首先经过卷积层,每层卷积层使用线性整流函数作为激活函数,每两层卷积层后添加一层最大池化层来保留主要特征,Flatten层来连接最后一个最大池化层和全连...

【专利技术属性】
技术研发人员:刘大洋王恩凤朱良宽吕凤章慧婷郭敬涛
申请(专利权)人:东北林业大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1